UWKSUWKS

KARSA NUSANTARAKARSA NUSANTARA

Penelitian ini bertujuan mengoptimalkan inventaris resistor bulanan di toko komponen elektronik melalui prediksi permintaan yang akurat. Mengatasi tantangan overstock dan understock yang memicu kerugian investasi, model Gradient Boosting diimplementasikan secara manual. Model ini, yang dibangun berdasarkan prinsip dasar Extreme Gradient Boosting (XGBoost), dilatih menggunakan data historis permintaan resistor dari tiga bulan sebelumnya. Evaluasi kinerja model selama 20 iterasi pelatihan menunjukkan penurunan konsisten pada metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), mengindikasikan pembelajaran yang efektif. Model berhasil memprediksi permintaan Bulan-4 dan Bulan-5 menggunakan pendekatan geser waktu. Meskipun sudah menunjukkan kemampuannya dalam memprediksi, penelitian ini dibatasi oleh penggunaan dataset simulasi yang sangat kecil (5 baris), dapat menyebabkan overfitting dan membatasi generalisasi. Hasil ini berfungsi sebagai ilustrasi metodologi dan validasi konsep dasar Gradient Boosting dalam mendukung keputusan inventaris. Untuk aplikasi nyata, diperlukan dataset lebih besar dan implementasi teroptimasi (misalnya, dengan library XGBoost) di masa mendatang.

Penelitian ini berhasil mengembangkan dan mendemonstrasikan implementasi manual algoritma Gradient Boosting untuk memprediksi permintaan resistor bulanan.Model menunjukkan kemampuan untuk mempelajari pola dari data historis permintaan, dengan kinerja evaluasi yang konsisten menunjukkan penurunan nilai MAE dan RMSE.Prediksi permintaan untuk Bulan-4 dan Bulan-5 berhasil dilakukan menggunakan strategi geser waktu.Namun, keterbatasan utama penelitian ini adalah penggunaan dataset simulasi yang sangat kecil, yang membatasi kemampuan generalisasi model dan memerlukan penelitian lebih lanjut dengan dataset yang lebih besar dan representatif.

Penelitian lanjutan dapat difokuskan pada penggunaan dataset permintaan resistor yang lebih besar dan beragam dari berbagai toko komponen elektronik untuk meningkatkan akurasi dan generalisasi model prediksi. Selain itu, eksplorasi implementasi algoritma Gradient Boosting yang lebih canggih, seperti XGBoost atau LightGBM, dengan optimasi hyperparameter yang sistematis, dapat menghasilkan peningkatan kinerja yang signifikan. Terakhir, penelitian dapat diperluas dengan mempertimbangkan faktor-faktor eksternal yang memengaruhi permintaan resistor, seperti tren pasar elektronik, siklus hidup produk, dan promosi penjualan, untuk membangun model prediksi yang lebih komprehensif dan responsif terhadap perubahan kondisi pasar. Penelitian ini diharapkan dapat memberikan wawasan yang lebih mendalam tentang dinamika permintaan resistor dan membantu toko komponen elektronik dalam mengoptimalkan strategi inventaris mereka secara lebih efektif, mengurangi biaya operasional, dan meningkatkan kepuasan pelanggan.

  1. Factors disrupting supply chain management in manufacturing industries | Journal of Supply Chain Management... journals.open.tudelft.nl/jscms/article/view/6986Factors disrupting supply chain management in manufacturing industries Journal of Supply Chain Management journals open tudelft nl jscms article view 6986
  2. The Implementation Of Machine Learning In Demand Forecasting : A Review Of Method Used In Demand Forecasting... talenta.usu.ac.id/jsti/article/view/9290The Implementation Of Machine Learning In Demand Forecasting A Review Of Method Used In Demand Forecasting talenta usu ac jsti article view 9290
  3. Sales Forecasting for Retail Business using XGBoost Algorithm | Journal of Computer Science and Technology... al-kindipublisher.com/index.php/jcsts/article/view/7381Sales Forecasting for Retail Business using XGBoost Algorithm Journal of Computer Science and Technology al kindipublisher index php jcsts article view 7381
Read online
File size498.2 KB
Pages10
DMCAReport

Related /

ads-block-test